← 全部文章 Read in English

从记录工具到决策中枢:轻排 PMClite 的 PMC 数字化升级实践

过去一年,我们把轻排 PMClite 从一个"能替代 Excel 的排产工具",重新做成了一个"事件驱动的 PMC 决策中枢"。这篇文章是一次完整的技术复盘——讲清我们为什么要这么改、怎么改、以及踩过的坑。

它不是功能罗列,也不是广告。它想回答一个问题:当一个本地部署的排产系统,要升级成"会思考的决策台",究竟要改什么?

技术栈 Tauri + Rust 数据库 SQLCipher 差异化能力 4 项 面向 10-200 人制造企业

一、缘起:为什么中小工厂的 PMC 依然在"人肉决策"?

在接触了数十家 10-200 人的中小制造企业之后,我们发现一个普遍现象:ERP 管好了"账本",但排产决策层依然是断裂的。

PMC(生产计划与物料控制)计划员的日常是这样的:打开三四个 Excel,从 ERP 导出数据,手动 VLOOKUP 核对物料,凭借经验在日期列里一格一格填数字。当产品种类超过 50 个时,一次完整的计划调整往往超过 2 小时,且"一改就乱"。

真正的痛点不在于"没有数据",而在于:
· 异常发现太晚——缺料要等开工才发现
· 影响不可预判——插单会挤占谁?交期会不会崩?全靠猜
· 协同靠吼——催采购、问车间,信息散落在微信和口头

轻排 PMClite 的起点,就是为这群"不想上云、买不起重型 APS"的中小工厂,做一个能辅助决策、而不仅是记录数据的本地化工具。

二、技术选型:为什么是 Tauri + Rust + SQLCipher?

"工厂电脑很多是五年前的老机器,装完不占资源、启动快,比什么都重要。"这是我们最早做的取舍。

维度Tauri(我们的选择)Electron
安装包~30MB~150MB
常驻内存~60MB~200MB
启动速度< 1s2–4s

数据库选用 SQLCipher(SQLite 的加密分支),核心原因是用户明确要求"数据不能出本机"。对于成本价、客户名单这类敏感数据,本地加密存储是底线,而非可选项。

Rust 端承载了所有确定性计算:BOM 递归展开、齐套检查、产能负荷、排程求解。这也为后面的"分层 AI"打下了基础——因为算法层的结果可复现、可审计,AI 才有解释的对象。

三、核心升级:从"看数据"到"做决策"

这是本文的重点。我们并未止步于做一个功能齐全的表格系统,而是围绕 PMC 的决策生命周期,重构了系统的骨架。

3.1 事件驱动引擎:让系统"推着人走"

我们引入了事件驱动的核心模型。系统会自动扫描数据,将缺料、交期风险、产能过载等情况派生为一条条"待决策事件",汇聚到决策台。

// 事件派生逻辑示意(Rust 端)
// 系统定期扫描活跃工单,自动识别缺料并生成事件
fn derive_shortage_events(conn: &Connection) -> Vec<Event> {
    // 1. 查询所有活跃工单
    // 2. 对每个工单执行齐套检查 (check_kit_status)
    // 3. 若存在缺口,生成带指纹 (fingerprint) 的事件,防止重复
    // 4. 根据交期紧迫程度动态计算 severity (red / amber)
    // ...
}

效果是明显的:PMC 打开软件的第一眼,不再是密密麻麻的表格,而是"今天必须处理的几件事"。处理完的事件会进入历史库,决策台永远只呈现"当前需要关注的"。

我们内部把这套逻辑称作"系统推着你干活,而不是你去找问题"。

3.2 分层 AI 策略:算法主算,AI 主"说"

在 AI 的引入上,我们非常克制。制造业的排产是确定性计算,容不得大模型的"幻觉"。

核心原则:AI 不生成任何新的数字。
所有数字必须可追溯、可核对。这种"人在环中"的模式,比全自动 AI 排产更容易让中小工厂的资深 PMC 接受——系统是副驾驶,不是自动驾驶。

3.3 沙盘推演:改了之后会怎样,先算给你看

这是 PMC 场景的"杀手锏"。传统排产软件是"改了就改了",但 PMC 最怕的就是"改出连锁反应"。

我们的沙盘推演允许用户在不落库的情况下,将一张工单调整到新的产线或日期。系统会基于 calcResourceHours 等核心算法,实时计算出:

只有用户确认"影响可接受"后,才会真正写入数据库。把黑盒的"系统建议"变成了透明的、PMC 可干预的"决策沙盘"。

3.4 移动端闭环:让数据从车间回流

我们利用 Tauri 的跨平台能力,在主机上内置了一个轻量级 H5 报工服务(端口 8766)。车间工人用手机扫码(或浏览器输入网址),即可完成报工。

这打通了"计划 → 执行 → 反馈"的最后一环,让 PMC 的决策有了来自车间一线的实时依据。

60s
事件自动扫描间隔
0.3s
5 级 BOM 齐套分析
100%
数字可复现可审计

四、数据治理:如何应对"历史数据爆炸"?

事件驱动的副作用是数据量增长快。我们设计了三层机制:

  1. 决策台只加载活跃事件,历史再多也不影响日常使用。
  2. 历史事件独立查询:提供分页、筛选的历史事件入口,用于复盘。
  3. 自动归档:超过 90 天的已闭环事件,系统会将其聚合为月度统计(保留趋势价值),原始明细在备份后删除,确保数据库体积长期可控。

这套机制让"事件驱动"不成为系统的负担,反而成为它的长期优势。

五、未来规划:向 PMC 智能体演进

我们下一步的进化方向,是让系统从一个"决策辅助工具"逐步成长为"PMC 智能体"。

  1. 从"解释"到"建议":让 AI 基于历史决策数据(哪类问题通常怎么处理),主动给出可执行的操作建议。
  2. 受限自主执行:在明确授权的边界内(如"标准品的周计划微调"),Agent 可以直接执行并记录日志,PMC 只需事后审计。
  3. 数据资产化:工厂在长期使用中沉淀的"排产规则"、"异常处置经验",将形成该工厂专属的、可复用的知识库,数据真正成为资产。

但无论走多远,"算法主算,AI 主说"的底线不会变。制造业的 AI 落地,首先要守住的,是确定性。

六、结语

轻排 PMClite 的这次升级,核心不在于堆砌 AI 功能,而在于用工程化的思维,把 PMC 的决策过程结构化、可计算化、可协同化。算法守住了确定性的底线,AI 提升了信息处理的效率,而"人在环中"的设计保证了系统的可控与可信。

对于中小制造企业的数字化,我们的体会是:"轻"不是功能简陋,而是精准地解决核心问题,同时不带来新的负担。

这条路我们还在走,欢迎同行交流指正。

想让 PMC 从"救火"变成"驾驶"?

本地部署 · 一次性买断 · 1-3 天上线 · 30 天完整功能免费试用

了解轻排 PMClite →

文中提及的算法与架构细节为公开演示版本,实际产品以发布版本为准。轻排 PMClite 为独立产品,与文中提到的任何第三方厂商无商业关联。